Datacurve 发布 DeepSWE：更难、更真实的编程基准测试
做 AI 模型评估或选型的团队，DeepSWE 能帮你看到模型在长周期软件工程任务上的真实差距，建议关注这个新基准。
全部动态
AI 相关资讯全量信息流 · 840 条
5月28日
5月27日
腾讯Chronicles-OCR基准测试：AI识别3000年中国古文字全军覆没
这个基准测试戳破了多模态模型在古文字识别上的泡沫——它们根本没在认字，只是认载体。做文化遗产数字化或OCR研究的团队，看完会重新思考模型能力的边界。
AI 跨过推理奇点：Anthropic 与 OpenAI 前沿模型能力跃迁
AI 推理能力从片段到完整体系的跃迁，是开发者和安全从业者必须关注的分水岭——Claude Mythos 的防御性开放和 OpenAI 的数学突破，直接改变了模型应用边界，建议点开了解具体案例。
OpenAI Codex oAuth 修复，Sub2APl 用户需更新
如果你在用 Sub2APl 或 OpenAI Codex 做自动化开发，这个 oAuth 修复直接关系到你的 API 调用是否正常，建议立即更新避免中断。
GPT-5.5 在 Codex 中帮助 Databricks 更可靠解析复杂文档
对于处理复杂文档的数据工程师和 AI 开发者，GPT-5.5 在 Codex 中的集成直接提升了解析可靠性，值得在 Databricks 工作流中尝试。
GPT-5.5 被开发者称为“独一无二的好编码模型”
做 AI 编程的开发者如果还在用旧模型，值得花时间适应 GPT-5.5 的独特提示方式——跨过门槛后，其他模型可能就回不去了。
SkillOpt框架：让AI自动优化Agent Skills，准确率飙升23.5%
做Agent框架或提示词工程的开发者，终于有了系统级的方法来优化Skills，不用再靠手动瞎改和调试了。建议直接看论文实验数据，特别是编辑预算的设置，对实际落地很有参考价值。
5月26日
微软 SkillOpt：将技能文档视为可训练外部状态，冻结智能体性能提升 23.5 点
做智能体开发的工程师别再手写技能文档了——SkillOpt 证明自动优化技能文件能带来显著性能提升，且零推理开销，值得在你的 Agent 工作流中尝试。
5月25日
ChatGPT Images 2.0 真相：图像成为主干语言
OpenAI 把图像从附加功能提升为对话主干，做内容创作或产品设计的团队值得关注——这可能会改变你使用 AI 的方式。
GPT-5.5 Pro 事实核查：整章投喂，精准定位每处引用
做学术写作或内容审核的团队，GPT-5.5 Pro 能帮你省下大量人工核查时间，建议试试整章投喂的体验。
阿里发布 Qwen-3.7-Max，性能强且成本远低于 GPT-5.5 和 Opus 4.7
Qwen-3.7-Max 以极低成本提供接近顶级模型的性能，做 AI 应用开发或智能体集成的团队可以大幅降低推理开销，值得立刻上手试试。
5月24日
Mythos 多项指标超越 GPT-5.5，安全威胁引担忧
Mythos 在编程和网络安全基准上碾压 GPT-5.5，做 AI 安全或模型评估的团队需要关注其潜在威胁，建议提前加固防御。
5月23日
Deepseek V4 Pro vs GPT-5.5 游戏开发对决：便宜4.3倍但质量落后
想用 AI 做游戏开发的团队，这个对比直接告诉你：省钱不一定省心——Deepseek 便宜但质量差一截，GPT-5.5 贵但成品更靠谱，建议根据预算和品质要求选模型。
Qwen 3.7-Max 在智能体任务中击败 Opus 4.7 和 GPT-5.5
做智能体开发或自动化任务的团队，Qwen 3.7-Max 在成本与性能上碾压对手，值得在类似场景中直接替换测试。
GPT-5.5 获 DHH 盛赞：复杂智能体任务大幅提升
DHH 作为 Ruby on Rails 创始人，他的实战评测对做复杂智能体开发的团队很有参考价值——GPT-5.5 的进步值得亲自试一下。
5月22日
Qwen-3.7-max 在智能体任务中击败 GPT-5.5 和 Opus 4.7，成本低 9 倍
做智能体开发或自动化任务的团队，可以拿 Qwen-3.7-max 替代高价闭源模型，成本直降 9 倍效果反而更好，值得立刻跑个 benchmark 验证。
Qwen 3.7-Max 在智能体任务中击败 Opus 4.7 和 GPT-5.5
Qwen 3.7-Max 在智能体任务中成本仅为 Claude 的1/9、GPT 的1/2，性能提升却翻倍，做 AI 智能体开发的团队值得关注这个性价比之选。
GPT-5.5 复现标准证明，GaryMarcus 质疑“阶跃变化”
AI 研究者和大模型用户值得关注——GPT-5.5 的推理表现引发了对“阶跃变化”定义的反思，看完会重新审视模型能力的评估标准。
Gary Marcus 认错：GPT-5.5 也能达到类似 Erdos 的效果
Marcus 的公开认错揭示了 AI 模型成本估算的陷阱，做 AI 投资或技术评估的团队值得关注，避免被表面数据误导。
Gary Marcus 承认误判：GPT-5.5 可复现 Erdos 类似效果
Gary Marcus 公开认错，说明 AI 模型评估比想象中复杂——做模型对比的团队值得关注这个反转，避免自己踩坑。
Cursor Composer 2.5 发布：低成本高性能编程代理，成本仅为竞品1/60
Cursor 用 1/60 的成本实现了接近顶级模型的编程代理性能，做自动化开发或频繁使用 AI 编程的团队可以直接省下大笔费用，建议试试 Fast 模式感受响应速度。
GPT-5.2 同行评审达专家水平：45 位科学家 469 小时评估 82 篇论文
科研人员和学术编辑终于有了高效的评审助手——GPT-5.2 的评审质量已接近 Nature 顶级评审员，做论文审稿或投稿的团队值得关注这项进展。
5月21日
产品08:00
Emergence AI 用不同模型建五座虚拟小镇，Claude 零犯罪，Gemini 小镇烧起来了这个实验直观展示了不同 AI 模型在模拟社会中的行为差异，做多智能体系统或社会模拟研究的团队值得一看——Claude 的零犯罪和 Gemini 的纵火自毁对比太有冲击力了。
OpenAI IMO金牌模型身份成谜，GPT-5.5 Pro Extended能否追上？
OpenAI的IMO金牌模型至今未公开，这背后可能隐藏着模型能力的真实上限。关注推理模型和数学能力的开发者，值得思考GPT-5.5 Pro Extended是否已填补这一空白。
5月19日
Raven 3.5 专精客服，小模型击败 GPT-5 和 Claude Sonnet
客服团队和语音 AI 开发者可以亲眼看到：小模型专精化路线在延迟和效果上碾压通用大模型，PolyAI 的新工具让 10 分钟部署语音代理成为现实，值得立即关注。
5月18日
Hermes 模型配置指南：国内外主流模型接入方法
Hermes 用户终于有了清晰的模型配置清单，覆盖 OpenAI、xAI、谷歌、DeepSeek、智谱、Kimi、小米等主流模型，做多模型切换的开发者可以直接按指令配置，省去摸索时间。
GPT-5.5 Pro 学术挑战：生成搞笑词对
幽默生成是 AI 理解语言细微差别的试金石，做 NLP 或创意 AI 的开发者可以看看 GPT-5.5 Pro 的脑洞有多大。
5月17日
LLM智能体记忆不可靠：反复重写反而更糟，清华等团队新研究
做智能体系统或记忆管理的开发者，这篇论文戳中了记忆重写的致命缺陷——原始经验比精炼总结更可靠，看完你会重新思考记忆存储策略。
5月16日
GPT-5.5 被官方确认降智，用户反馈变蠢
GPT-5.5 降智直接影响日常使用体验，尤其是依赖它写代码的开发者，建议关注后续修复进展，避免在关键任务中踩坑。
GPT-5.6 泄露：OpenAI 的舆情战法
OpenAI 的发布节奏和舆情操作值得关注，做 AI 行业分析或竞品追踪的团队可以从中看出其策略套路，建议点开了解背后的博弈逻辑。
MiniMax-M2.7 开源模型性能媲美 GPT-5，推理速度 440+ tokens/s
开源模型首次在性能上追平顶级闭源模型，且推理速度和成本优势巨大，做 AI 应用开发或模型选型的团队值得立即体验。
Sam Altman回应GPT-5.5性能下降报告：团队正在调查
GPT-5.5用户如果感觉模型变笨了，这不是错觉——官方正在调查，建议关注后续更新，了解性能波动原因。
Codex 能力下降问题已定位修复，使用限制今晚重置
Codex 用户过去两天可能遇到性能下降，现在问题已修复且使用限制将重置，做 AI 编程的开发者可以直接恢复高强度使用。
GPT-5.5 在 Codex 上性能下降原因已找到并修复
使用 Codex 编程的开发者终于可以放心了——GPT-5.5 性能下降的原因已找到并修复，今晚重置限制后建议直接试试 /fast 模式。
Codex团队正调查GPT-5.5性能下降报告
GPT-5.5性能波动直接影响依赖该模型的开发者和企业用户，建议关注调查结果以评估是否影响自身工作流。
5月14日
百川开源新一代医疗大模型Baichuan-M3，全面超越GPT-5.2
医疗AI开发者终于有了开源且超越GPT-5.2的模型——Baichuan-M3在HealthBench上夺冠，做医疗诊断或健康咨询的团队可以直接拿来用，建议点开看看具体性能。
杨植麟40分钟视频拆解Kimi K2训练：460万美元颠覆大厂烧钱逻辑
杨植麟用460万美元和极致架构打脸烧钱竞赛，做AI代理或准备2026年入场的团队，看完会重新思考资源分配策略——建议存下来周末细看。
英国AI安全研究所：Mythos/GPT-5.5网络能力大幅提升，能力翻倍周期4.5个月
安全团队和AI开发者需要警惕：AI网络攻击能力正以每4.5个月翻倍的速度进化，Mythos/GPT-5.5的能力上限几乎不可预测——建议立即评估自身防御体系能否跟上这个节奏。
5月13日
Interfaze混合架构：专精任务吊打Gemini/Claude/GPT
做 OCR、视觉或音频处理的团队，终于有了一个又准又快又便宜的替代方案——Interfaze 用混合架构把通用大模型的痛点解决了，建议直接看博客跑一下自己的用例。
产品15:51
GPT-5.5 Instant 让用户更频繁使用 ChatGPTGPT-5.5 Instant 的速度提升让日常查询和轻量任务更流畅，频繁使用 ChatGPT 的开发者或普通用户值得体验这种即时反馈的改进。